全栈工程师?
嗯.....目前并不是!

增長策略:如何用AB測試進行活動評估及優化?

本文以電商行業的促銷活動為例,嘗試構建促銷的評估體系,以及討論應該如何優化。enjoy~

電商行業充斥着大大小小的促銷活動,O2O領域也常常上演補貼大戰,在開疆闢土階段,砸錢讓利招攬用戶的法子自然最為好使,但當形成一定規模之後,瘋狂促銷補貼的模式是否仍然高效?個性化的運營策略是否有必要?活動的真實效果到底如何?

為了解決以上問題,建立科學的活動效果評估體系,當前最簡便的方法莫過於AB測試。

一、如何建立評估體系?

AB測試目前廣泛應用於產品灰度發布階段,除此以外,AB測試還有更為廣泛的用途,比如:精準營銷等增長策略。

要進行某類方案的驗證,其理念非常樸素,無非就是控制變量,但商業世界尤其複雜,想要控制一切不相干變量極其困難,因此AB測試大行其道,成為了檢驗“真理”的常用標準。

基於AB測試的思想,通過隨機分組,可以保證兩個組的其他變量基本一致,通過對實驗組施加影響,來觀察實驗組相對於對照組的表現差異,從而評估該影響的效果。

接下來,我們就以電商行業的促銷活動為例,嘗試構建促銷的評估體系。

首先,通過標籤篩選出潛在人群,並隨機抽取一部分用戶作為測試組,在不做任何干預的情況下,暗中觀察用戶的轉化情況。

  • 對於實驗組的用戶,我們通過定向優惠券加短信觸達的形式進行干預,然後靜靜等待用戶轉化。
  • 對於對照組而言,用戶都是自然轉化,而實驗組的用戶是在干預下產生的轉化。在實驗組中,一部分用戶確實是被優惠吸引,從而下單購買,但還有一部分用戶即使沒有優惠券也很有可能自然轉化。

因此,我們以對照組的轉化率作為沒有優惠券情況下的自然轉化率,那麼,我們可以得到以下與用戶相關的指標:

  • 用戶基線=干預總人數*自然轉化率
  • 用戶提升=干預總人數*(干預轉化率-自然轉化率)
  • 用戶提升率=用戶提升/用戶基線

同理,從經營分析的層面,我們可以評估實際的銷售效果:

  1. GMV基線=用戶基線*自然轉化客單價
  2. GMV提升=用戶提升*干預轉化客單價+Max[用戶基線*(干預轉化客單價-自然轉化客單價),0]
  3. 成本=每單優惠金額*下單用戶量+每條短信資費*干預總人數
  4. GMV凈提升=GMV提升-成本

註:GMV提升一方面體現在拉來本不會下單的用戶所產生的GMV,另一方面體現在,提升了本來就會下單的用戶的客單價,因此要計算這兩部分的GMV提升。而對於優惠券而言,尤其是滿減優惠券,一般會對客單價產生提升作用,如果客單價降低了,可能是因誤差或外部因素導致,因此此處用了Max(),即當客單價降低時,取值0。

最終,我們可以得到評估經營效果的綜合指標:

  1. GMV凈提升率=GMV凈提升/GMV基線
  2. ROI=GMV凈提升/總成本

上邊的指標這麼多,那哪個才是最重要的呢?

以上指標羅列的目的是便於理解指標的拆解計算過程。但對於不同角色而言,最終只需要關注與其相關的結果指標。

  • 對於運營或者營銷而言,他們的考核目標可能聚焦於月活躍用戶數,所以,他們會更關心用戶提升率,通過多次活動的橫向比較,可以識別活動效果的好壞,從而再逐步挖掘根因。
  • 對於負責銷售的同事而言,需要考量的因素會相對複雜一些,但他們也可以直接通過GMV凈提升率和ROI這兩個指標來評估活動的綜合效果。

其中,GMV凈提升率反應的是活動對於GMV的提升效果,如果當前的目標是不惜一切代價沖GMV的話,那麼應該選擇GMV凈提升率高的活動形式或力度。而如果需要權衡考量利潤的話,那麼還應該把ROI納入分析,選取GMV凈提升率較高,同時ROI也較為可觀的活動方案。

二、如何構建優化策略?

上邊有提到,運營或者銷售可以通過AB測試優化活動方案,那麼具體應該如何實現呢?

如果需要測試不同促銷形式、不同活動力度的效果,那麼有必要對實驗組進一步細分。

例如:對於實驗組1可以發放滿100減20的券,實驗組2發放滿100減10的券,最後與對照組比對分析活動效果差異。滿100減20的券GMV提升可能較高,但由於成本較大,也會導致GMV凈提升率和ROI並不高。

同樣,對於不同促銷形式,如定向優惠券、定向優惠價格等,同一折扣力度不同門檻,如100減20和200減40,也可以以相似方法進行測試。

進行多次AB測試之後,可以根據歷史測試數據進行初步判斷,識別符合目標的最優促銷方案。

三、AB測試有哪些坑?

方法論總是看上去很美好,但一到落地層面就會面臨很多意想不到的問題,下面就來扒一扒,按照上述AB測試的方法來做活動效果評估及優化會有哪些坑。

  1. 測試組人數太少:測試組和實驗組的人數不需要完全一樣,但各組的人數要保證有統計學上的意義,如果實驗組10w人,測試組只有10個人,那麼測試組的結果受個體的影響會很大,最終可能導致異常的結果。
  2. 實驗組人數太少:如果想要測試什麼門檻的優惠券效果更好,那麼需要拆分多個實驗組,發放不同的優惠券,如果分的組太多,會使得每個實驗組人數偏少,從而導致結果不準確。
  3. 你的測試組是別人的實驗組:現實環境下,不存在絕對乾淨的試驗田,你以為測試組可以代表用戶在不受干擾下的自然轉化,殊不知有其他活動已經將他們划入了實驗組。如果是公司內部的衝突,那麼可以在數據迴流后剔除掉參與其他實驗的用戶,但如果是受到外部友商的干擾,那麼我們將無從知曉,只有通過多次實驗綜合評估,對沖單次活動可能會面臨的特殊情況。
  4. 你的實驗組是別人的實驗組:同理,外部友商可能有更大力度的活動,剛好圈定了你的實驗組用戶,那麼結果可想而之。
  5. 干預時間滯后:從圈定用戶、申請優惠券到最後的短信觸達,這個時間多少有些滯后,如果系統不判斷用戶是否已經下單,那麼用戶在下單之後才收到優惠券,一方面會影響體驗,另一方面,用戶可能取消訂單后再下單,導致履約成本的上升。如果在發送短信前剔除已下單用戶,那麼最後實際干預的都是購買傾向相對偏弱的人群,會導致結果失准。因此,營銷系統的完善性、各部門的協同執行力都至關重要。

結語

現實世界紛繁複雜,想要抽絲剝繭,捋出頭緒談何容易。試驗總會好過停步不前,在實踐之中,我們可以學着避開一個又一個的坑。

我們都在試圖去搭建一個框架,在這個框架下反覆地探究,找到一絲可能的線索,最終,這些線索會編織起一個網絡。

 

作者:Mr.墨嘰,公眾號:墨嘰說數據產品

版权声明:本文采用知识共享 署名4.0国际许可协议 [BY-NC-SA] 进行授权
文章名称:《增長策略:如何用AB測試進行活動評估及優化?》
文章链接:https://www.pmbear.com/archives/9431
本站资源仅供个人学习交流,请于下载后24小时内删除,不允许用于商业用途,否则法律问题自行承担。

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

大前端WP主题 更专业 更方便

联系我们联系我们